将一个字符串列表根据与另一个字符串列表匹配的位置进行拆分

Question

我写了一个小程序来完成以下任务。我想知道是否有更优的解决方案：

1）获取两个字符串列表。一般情况下，第二个列表中的字符串比第一个列表中的长，但不能保证。

2）返回从第二个列表派生的字符串列表，该列表已删除第一个列表中的任何匹配字符串。因此，该列表将包含<=第二个列表中字符串长度的字符串。

下面是我所说的内容的图片示例： 到目前为止，我有这个。它似乎正常工作，但我只是好奇是否有更优雅的解决方案。顺便说一下，我正在跟踪每个字符串的开始和结束的“位置”，这对于程序的后续部分很重要。

def split_sequence(sequence = "", split_seq = "", length = 8):
    if len(sequence) < len(split_seq):
        return [],[]
    split_positions = [0]
    for pos in range(len(sequence)-len(split_seq)):
        if sequence[pos:pos+len(split_seq)] == split_seq and pos > split_positions[-1]:
            split_positions += [pos, pos+len(split_seq)]
    if split_positions[-1] == 0:
        return [sequence], [(0,len(sequence)-1)]
    split_positions.append(len(sequence))
    assert len(split_positions) % 2 == 0
    split_sequences = [sequence[split_positions[_]:split_positions[_+1]] for _ in range(0, len(split_positions),2)]
    split_seq_positions = [(split_positions[_],split_positions[_+1]) for _ in range(0, len(split_positions),2)]
    return_sequences = []
    return_positions = []
    for pos,seq in enumerate(split_sequences):
        if len(seq) >= length:
            return_sequences.append(split_sequences[pos])
            return_positions.append(split_seq_positions[pos])
    return return_sequences, return_positions





def create_sequences_from_targets(sequence_list = [] , positions_list = [],length=8, avoid = []):
    if avoid:
        for avoided_seq in avoid:
            new_sequence_list = []
            new_positions_list = []
            for pos,sequence in enumerate(sequence_list):
                start = positions_list[pos][0]
                seqs, positions = split_sequence(sequence = sequence, split_seq = avoided_seq, length = length)
                new_sequence_list += seqs
                new_positions_list += [(positions[_][0]+start,positions[_][1]+start) for _ in range(len(positions))]
        return new_sequence_list, new_positions_list

一个样本输出：

In [60]: create_sequences_from_targets(sequence_list=['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIHSRYRGSYWRTVRA', 'KGLAPAEISAVCEKGNFNVA'],positions_list=[(0, 20), (66, 86), (136, 155)],avoid=['SRYRGSYW'],length=3)
Out[60]: 
(['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIH', 'RTVRA', 'KGLAPAEISAVCEKGNFNVA'],
 [(0, 20), (66, 74), (82, 87), (136, 155)])

- lstbl

---

string.split() 接受一个子字符串分隔符。你的算法看起来可以简单地遍历分隔符字符串。 - Brian Cain

Answer 1

让我们定义这个字符串s和需要移除的字符串列表list1:

>>> s = 'NowIsTheTimeForAllGoodMenToComeToTheAidOfTheParty'
>>> list1 = 'The', 'Good'

现在，让我们移除那些字符串：

>>> import re
>>> re.split('|'.join(list1), s)
['NowIs', 'TimeForAll', 'MenToComeTo', 'AidOf', 'Party']

以上方法中的一个强大特性在于list1中的字符串可以包含正则表达式活动字符。这可能也是不希望发生的。正如John La Rooy在评论中指出的那样，list1中的字符串可以通过以下方式变为非活动状态：

>>> re.split('|'.join(re.escape(x) for x in list1), s)
['NowIs', 'TimeForAll', 'MenToComeTo', 'AidOf', 'Party']

- John1024

---

在将list1的项连接起来之前，您应该始终使用re.escape()对它们进行转义。 - John La Rooy

@JohnLaRooy 很好的观点。我喜欢正则表达式中的活动字符，但你绝对是正确的，不是每个人都会喜欢。回答已更新，使用 re.escape 解决方案。 - John1024

Answer 2

使用正则表达式可以简化代码，但它可能不一定更有效率。

>>> import re
>>> sequence_list = ['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIHSRYRGSYWRTVRA', 'KGLAPAEISAVCEKGNFNVA'],positions_list=[(0, 20), (66, 86), (136, 155)]
>>> avoid = ['SRYRGSYW']
>>> rex = re.compile("|".join(map(re.escape, avoid)))

获取位置的方法如下（您需要将偏移量添加到这些位置）：

>>> [[j.span() for j in rex.finditer(i)] for i in sequence_list]
[[], [(8, 16)], []]

获取新的字符串，可以按照以下方法进行：

>>> [rex.split(i) for i in sequence_list]
[['MPHSSLHPSIPCPRGHGAQKA'], ['AEELRHIH', 'RTVRA'], ['KGLAPAEISAVCEKGNFNVA']]

或者是扁平化的列表

>>> [j for i in sequence_list for j in rex.split(i)]
['MPHSSLHPSIPCPRGHGAQKA', 'AEELRHIH', 'RTVRA', 'KGLAPAEISAVCEKGNFNVA']

- John La Rooy